VH-GPO：验证式师生交接提升LLM智能体强化学习成功率
热点事件持续更新
VH-GPO：验证式师生交接提升LLM智能体强化学习成功率
1 篇报道1 个报道来源16 小时前更新
先了解这件事
AI 综述
Haoze Li 等作者提出并发布 VH-GPO（Verified Handoff for Group Policy Optimization），一种用于大语言模型智能体强化学习的验证式师生交接方法：冻结的教师模型在环境验证下修复学生的失败轨迹，并在最早可独立确认的交接点交还控制权，使成功经验重新由学生生成。 作者报告在 Qwen2.5-1.5B 上，ALFWorld 成功率从 GRPO 的 59.38% 提升至 94.79%，WebShop 从 71.62% 提升至 77.34%。这些数字来自作者自报，尚待独立复现验证。
AI 根据报道生成 · 2 小时前更新
最新进展10月15日 12:00
VH-GPO：面向 LLM 智能体强化学习的验证式交接方法报道时间线
沿着报道，了解事件的不同侧面。
10月15日
- arXiv：cs.AIVH-GPO：面向 LLM 智能体强化学习的验证式交接方法
VH-GPO 通过让冻结教师模型在环境验证下修复学生失败轨迹，并在最早可独立确认的交接点交还控制权，使成功经验重新由学生生成。在 Qwen2.5-1.5B 上，ALFWorld 成功率从 GRPO 的 59.38% 提升至 94.79%，WebShop 从 71.62% 提升至 77.34%。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。